混合量子衍生神经网络模型及算法

为提高人工神经网络的逼近能力,该文从研究隐层神经元的映射机制入手,提出基于量子比特在Bloch球面的绕轴旋转构造神经网络模型的新思想。首先将样本线性变换为量子比特的相位,并使量子比特在Bloch球面上分别绕着3个坐标轴旋转,旋转角度即为网络参数。然后通过投影测量可以得到量子比特的球面坐标,将这些坐标值提交到隐层激励函数,可得隐层神经元的输出。输出层采用普通神经元。基于L-M(Levenberg-Marquardt)算法设计了该模型的学习算法。实验结果表明,该文提出的模型在逼近能力、泛化能力、鲁棒性能方面,均优于采用L-M算法的普通神经网络。     

一种基于Walsh变换的反馈过程神经网络模型及学习算法

提出了一种带有反馈输入的过程式神经元网络模型，模型为三层结构，其隐层和输出层均为过程神经元．输入层完成连续信号的输入，隐层完成输入信号的空间聚合和向输出层逐点映射，并将输出信号逐点反馈到输入层；输出层完成隐层输出信号的时、空聚合运算和系统输出．在对权函数实施Walsh变换的基础上给出了该模型的学习算法．仿真实验证明了模型和算法的有效性．     

一种基于量子粒子群的过程神经元网络学习算法

针对过程神经元网络模型学习参数较多,正交基展开后的BP算法计算复杂、不易收敛等问题,提出了一种基于双链结构的量子粒子群学习算法.该算法用量子比特构成染色体,对于给定过程神经元网络模型,按权值参数的个数确定量子染色体的基因数并完成种群编码,通过量子旋转门和量子非门完成个体的更新与变异.算法中每条染色体携带两条基因链,提高了获得最优解的概率,扩展了对解空间的遍历,从而加速过程神经元网络的优化进程.将经过量子粒子群算法训练的过程神经元网络应用于Mackey-Glass混沌时间序列和太阳黑子预测,仿真结果表明该学习算法不仅收敛速度快,而且寻优能力强.     

基于量子比特绕轴旋转的彩色图像加密方法

提出一种基于量子计算的彩色图像加密方法. 首先, 将彩色图像转换为量子叠加态∣Image?, 每个像素用3 个量子比特∣???, ∣???, ∣??? 描述, 分别表示红绿蓝三基色; 然后, 对所有像素的∣???, ∣???, ∣??? 在Bloch 球面上实施随机旋转, 对旋转后的∣Image? 实施量子傅里叶变换; 对所有像素的∣???, ∣???, ∣??? 实施随机旋转, 对旋转后的∣Image? 实施量 子傅里叶反变换, 即可完成加密操作. 经典计算机上的仿真结果表明, 所提出的方法具有较好的安全性, 可在将来的量子计算机上执行.

     

基于Bloch量子遗传算法的倒立摆模糊控制器优化设计

为解决倒立摆模糊控制器的优化设计问题,提出一种基于Bloch量子遗传算法(BQGA)的优化设计方案.该方案将量子位的3个Bloch坐标都看作基因位,每条染色体包含3条并列的基因链,每条基因链代表一个优化解,即一组控制器参数,在与普通量子遗传算法(CQGA)染色体数目相同时可加速优化进程.以模糊神经网络控制器(FNNC)...     

求解连续空间优化问题的量子蚁群算法

针对蚁群算法只适用于离散优化问题的局限件和收敛速度慢的问题,提出了求解连续空间优化问题的量子蚁群算法.该算法每只蚂蚁携带一组表示蚂蚁当前位置信息的量子比特;首先根据基于信息素强度和可见度构造的选择概率,选择蚂蚁的前进目标;然后采用量子旋转门更新蚂蚁携带的量了比特,完成蚂蚁的移动;采用量子非门实现蚂蚁所在位置的变异,增加位置的多样性;最后根据移动后的位置完成蚁群信息素强度和可见度的更新.该算法将量子比特的两个概率幅部看作蚂蚁当前的位置信息,在蚂蚁数日相同时,可使搜索空间加倍.以函数极值问题和神经网络权值优化问题为例,验证了算法的有效性.     

云过程神经网络模型及算法研究

该文针对输入输出具有不确定性特征并与时间或过程有关的复杂非线性系统建模和求解问题,利用过程神经网络对时变信号的动态处理能力,结合云模型对定性定量概念的转化能力,构建了一种具有不确定性信息处理能力的云过程神经网络模型,并采用猫群优化算法同时对网络结构和参数进行并行优化设计,提高了网络逼近及泛化能力,实现了神经网络在时间域和不确定信息处理领域上的有效扩展。仿真实验结果验证了模型和算法的可行性和有效性。     

基于混沌序列的彩色图像量子加密方案

论文提出了一种基于混沌序列的量子图像加密方案.首先,将经典图像转换为FRQI量子图像,然后,采用三种混沌序列和受控旋转门使每个颜色比特随机旋转,完成位置置乱和灰度值置乱,进而得到加密后的图像.解密时首先根据秘钥生成混沌序列并对混沌序列取反,然后使每个颜色比特按照混沌序列指定的角度旋转即可.该方法加密后的直方图呈均匀分布,且秘钥空间大,抗攻击能力强.经典计算机上的仿真结果表明该方法有较好的安全性.     

正规化模糊神经网络及在手写体汉字识别中的应用

为改善手写体汉字识别的性能,提出了一种基于正规化模糊神经网络的识别方法。针对网络结构的优化问题给出了网络模型的规则层节点的选取方法和相应的反传播学习规则。该算法能够充分利用专家制订的“if-then”规则,完善网络的推理结构,提高网络的识别能力,减少噪声因素的影响。实验表明此方法对手写体汉字识别问题具有良好的适应性和实用性。该方法指出了一条进一步提高手写体汉字系统性能的新途径。     

基于混沌序列的量子图像加密方案

针对量子图像加密问题,设计一种基于混沌序列的加密方案。首先,采用NEQR模型描述量子图像,然后,采用3种混沌序列和受控旋转门使每个颜色比特随机旋转±π/4弧度,完成加密过程。解密时,首先根据密钥生成混沌序列,然后使每个颜色比特随机旋转π/4弧度即可。该方法加密后的直方图呈均匀分布,且密钥空间大,抗攻击能力强。经典计算机上的仿真结果表明该方法有较好的安全性。